Abide
PulseAugur coverage of Abide — every cluster mentioning Abide across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新型IC-GNN模型利用个体化社群组织预测脑部疾病
研究人员开发了IC-GNN，这是一种新颖的、以图谱为锚定的模型，用于分析使用静息态功能磁共振成像（fMRI）数据的个体化大脑社群组织。该模型直接在预定义的大脑区域上形成独特的、个体化的功能社群，精炼社群引导的连接，并将共享权重适应于每个受试者的背景。IC-GNN在ABIDE、ADNI和UK Biobank等大型数据集上预测自闭症谱系障碍、阿尔茨海默病和重度抑郁症等疾病方面表现出优越性能，优于15种基线方法。该模型的个体化社群是可重复的…
-
新的MAGNET模型以更高的保真度生成有效的脑连接组
研究人员开发了MAGNET，一种用于生成功能性脑连接组的流形感知图扩散网络。该模型采用归一化乔列斯基表示来确保相关性矩阵的有效性，并通过类锚定条件和保持相关性的损坏来解决粗糙标签引起的问题。在ABIDE、ADNI和OASIS-3等数据集上，MAGNET在现有流形感知方法方面表现出显著的改进，显示出增强的类条件保真度和更好的采样效率。值得注意的是，它可以在零样本设置中保持临床异质性，即使仅用二元标签进行训练，也能将子类协方差对齐度提高30%以上。
-
新的 MRI 增强方法对下游分割任务显示出不同影响
研究人员开发了一种新的增强低场脑 MRI 扫描的方法，重点是改进组织分割等下游分析。他们为轻量级循环卷积增强器开发的物理引导训练流程，在两个数据集上与 U-Net、Swin-UNet 和小波令牌混合分割器进行了测试。结果表明，增强方法显著提高了 ABIDE 数据集上的小波分割器性能，但降低了 U-Net 分割器的性能，而 Swin-UNet 则保持不变。在 IXI 数据集上，增强方法普遍降低了 Dice 分数，特别是对 CSF 分割，…
-
新的ABIDE方法揭示LLM过度个性化偏差
研究人员发现大型语言模型（LLM）中存在一种称为“过度个性化”的现象，即模型在应抑制的上下文中错误地应用存储的偏好。开发了一种名为ABIDE（Apply-Bias Investigation via Decision-score）的新方法来分析此问题。ABIDE揭示，这种失败源于“生成引起的应用偏差”，即LLM生成答案的目标会将其决策转向应用偏好，即使敏感性在很大程度上得以维持。研究人员证明，通过在解码过程中减去一个偏差标量，可以减少…
-
新的基准测试fMRI年龄预测模型在不同数据集上的泛化能力
研究人员开发了一个新的基准测试，用于评估机器学习模型在不同数据集上从静息态fMRI数据预测年龄的能力。研究强调，在单个数据集内表现良好的模型在泛化到新的、未见过的数据时常常遇到困难。该外部验证协议包含六个多样化的数据集，旨在为评估对称正定（SPD）矩阵学习技术在神经影像学中的鲁棒性提供标准化方法。
-
BrainLinear框架提供高效、可解释的脑网络分析
研究人员开发了BrainLinear，一个旨在更高效、更可解释地分析脑网络的新框架。这种几何感知方法将功能连接矩阵映射到共享切线空间，通过对ROI对切线方向进行评分来识别疾病区分模式。在自闭症谱系障碍和阿尔茨海默病数据集上的实验表明，BrainLinear在显著降低计算成本和内存使用量的同时，其性能与复杂的GNN和Transformer模型相当或更优。
-
新框架整合LLM语义以进行高级大脑网络分析
研究人员开发了SABER，一个用于分析大脑网络的新框架，该框架将大型语言模型（LLMs）的语义信息直接整合到预测过程中。该方法旨在通过用全脑上下文丰富节点表示并使用多尺度超图对功能性子网络进行建模，来提高脑部疾病诊断的准确性和鲁棒性。在ABIDE和ADHD-200数据集上的实验表明，SABER通过允许语义指导预测而不改变底层网络结构，在小样本场景下取得了最先进的性能。
-
新的CORE框架改进了跨不同地点的大脑网络学习
研究人员开发了一个名为CORE的新框架，以改进对来自不同地点fMRI数据的大脑网络分析。该方法解决了站点特定偏差和平均连接性模糊了重要的瞬态动力学，阻碍了泛化的问题。CORE通过解耦站点特定的混淆因素，提取稳定的连接性边的种群支架，然后在该支架上模拟瞬态通路动力学。实验表明，CORE在跨站点泛化方面显著优于现有方法，即使在脑分区方案存在差异的情况下也是如此。
-
Rhamba框架整合了注意力机制和Mamba模型，用于fMRI自监督学习
研究人员开发了Rhamba，一个用于静息态fMRI数据自监督学习的新型框架。该框架结合了区域感知掩码和混合注意力-Mamba架构，以改进神经影像数据的分析。在ABIDE数据集上的实验以及在COBRE和ADHD-200数据集上的微调表明，Rhamba，特别是Mamba-Attention配置，在区分精神分裂症和ADHD等病症方面，相比现有方法取得了更优越的性能。